INNOVATION SCOUT · IMPULSPROFIL

AI-Ready Construction: CDE, Datenplattformen und Datenräume

AI-Ready Construction bezeichnet die Fähigkeit, Bau-, Projekt- und Betriebsdaten mit eindeutigem Kontext, geregeltem Zugriff und überprüfbaren Prozessen für verlässliche KI-Anwendungen bereitzustellen und zu betreiben.

Um was geht es bei AI-Ready Construction: CDE, Datenplattformen und Datenräume?

Ein Baustellenfoto, Modellobjekt oder Sensorwert benötigt Projekt-, Orts-, Zeit- und Versionsbezug. Eine gemeinsame Datenumgebung (Common Data Environment, CDE) koordiniert Informationsstände; eine Datenplattform verbindet und verarbeitet Bestände; ein Datenraum organisiert Austausch zwischen Beteiligten. DataOps betreut die Datenverarbeitung, MLOps den Modellbetrieb. Welche Bausteine nötig sind, folgt der konkreten Aufgabe.

Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Abschnitte 2–4; Diskussion Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Data Space Services; Data/Control Plane; Data Models Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Deployment architecture; Architektur Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): 6.2–6.4 Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): IFC/IDS/bSDD Mapping Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Findings zu metadata/classification; Findings Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): Human-in-the-loop

Einordnung im Impulsradar

Etablierte Informationsprozesse treffen auf konkrete KI-Integrationen und noch erprobte Datenraumansätze. Die Bandbreite reicht von genutzten Funktionen gemeinsamer Datenumgebungen (CDEs) bis zu Forschungsdemonstratoren. Verlässlichkeit entsteht durch passende Daten, nachvollziehbare Zuordnungen und fachliche Prüfung; diese Aufgaben bleiben auch nach dem technischen Anschluss eines Systems bestehen.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow; cec workflow Quelle 11: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Projektziele und Beiträge Fraunhofer IFF Quelle 12: 8ra at Hannover Messe 2026: Scaling the Multi-Provider Cloud-Edge Continuum, Fundstelle(n): Construct-X demonstration auf Hannover Messe 2026 Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Methodik S.7–11; Ergebnisse/Diskussion S.12–14; Diskussion Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): Abschnitte 3.3, Druckseiten 22–24; 4.2, Druckseiten 31–34; 4.2 Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): B29-Anwendung Quelle 2: Common European data spaces, Fundstelle(n): Strategierahmen Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Fehleranalyse

Daten bereitstellen, Bedeutung erhalten und Betrieb verantworten

Die Infrastruktur muss nicht selbst lernen, um KI zu ermöglichen. Dateiverwaltung, Freigabestatus und Rechtekontrolle erfüllen überwiegend festgelegte Regeln. Gelernte Verfahren übernehmen beispielsweise Bildklassifikation, semantische Zuordnung oder Prognosen. Diese Aufgabenteilung hilft, Fehler bei der Datenlieferung, der gelernten Auswertung und der Freigabe gezielt zu prüfen.

Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Abschnitte 2–4 Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Data Space Services; Data/Control Plane; Data Models Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Deployment architecture; Solution overview; Model deployment; Scaling and cold start Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow Quelle 13: Information Delivery Specification (IDS), Fundstelle(n): What is IDS?; FAQ und scope Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): Referencing bSDD in IDS and IFC; Mappingtabellen

Eine Schnittstelle transportiert Werte, bestätigt aber nicht ihre Bedeutung. Objektidentität, Einheit, Koordinaten, Gültigkeit und Herkunft müssen zusammenpassen. Unbekannte Zuordnungen brauchen einen sichtbaren Prüfweg. Ein gemeinsames Dateiformat oder formal gültiges Ergebnis reicht dafür nicht aus.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Abschnitte 4.2, 4.5, 5.2 und 6.2–6.4; 6.2–6.4 Quelle 13: Information Delivery Specification (IDS), Fundstelle(n): What is IDS?; FAQ und scope Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): Referencing bSDD in IDS and IFC; Mappingtabellen; IFC/IDS/bSDD Mapping Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Findings zu metadata/classification

Benannte Beispiele zeigen punktuelle Integration: Das Ingenieurbüro cec verbindet Baustellenbilder mit Metadaten, Viscan prüft Scan- und Drohnendaten im B29-Projekt, und der Softwareanbieter Autodesk beschreibt BAM Ireland als Nutzer datenbasierter Risikopriorisierung. Gemeinsam ist diesen Anwendungen, dass sie vorhandene Projektinformationen für eine abgegrenzte Auswertung erschließen.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow; 08.09.2026: cec-Fall Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29; 19.02.2026: B29-Fall Quelle 19: Getting Started with Predictive Analytics in Construction, Fundstelle(n): BAM Ireland / Construction IQ im Anwendungsteil; BAM-Abschnitt Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): Abschlussmeldung

Der praktische Einstieg kann eine begrenzte Datenlieferung für einen klaren Zweck sein. Verantwortliche legen Qualität, zulässige Nutzung und fachliche Abnahme fest. Schnittstellen, Berechtigungen, Daten- und Modellversionen verursachen laufende Pflege. Der Nutzen ist daher einschließlich Korrektur und Betrieb zu beurteilen.

Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Identity and Trust; Access and Usage Policies; Provenance; Governance framework Quelle 20: Data Act explained, Fundstelle(n): Kapitel II/III Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Experimente und Fehleranalyse Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): Benchmark und practitioner study Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Scaling und Architektur; Architektur Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Evaluation; Diskussion Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Findings; Organisational interfaces Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): Human-in-the-loop Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): cec-Anwendung

Worauf es bei AI-Ready Construction: CDE, Datenplattformen und Datenräume fachlich ankommt

Formal gültig ist noch nicht fachlich richtig

Studien-/Praxisbefund

Höltgen und Kollegen vergleichen vier Sprachmodelle aus den GPT- und Llama-Familien in drei Experimenten zur Datenzuordnung mit vier Promptvarianten und jeweils 20 Läufen. Grundlage sind Infrastrukturdaten, ergänzte fiktive Objekte und eine begrenzte Ontologie. Trotz Syntaxprüfung und Selbstkorrektur bleiben falsche Verknüpfungen, erfundene Klassen sowie fehlende oder zusätzliche Inhalte.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Abschnitte 4.2, 4.5, 5.2 und 6.2–6.4

Fachliche Einordnung

Der kontrollierte Vergleich macht konkrete Integrationsfehler prüfbar. Er ersetzt keinen Test mit vollständigen Projektdaten. Neben Formatvalidierung braucht die Zuordnung eine fachliche Referenz; ein korrekter Datenbankausdruck kann weiterhin den falschen Zusammenhang abbilden.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Abschnitte 4.2, 4.5, 5.2 und 6.2–6.4

Informationsanforderungen im IDS-Format: bessere Form, verbleibende Bedeutungsfehler

Studien-/Praxisbefund

Die zusammengehörenden Ishigaki-Vorabveröffentlichungen prüfen, wie Sprachmodelle aus 166 japanisch-englischen Anforderungsfällen Entwürfe im Format Information Delivery Specification (IDS) erzeugen. Beim angepassten Modell mit acht Milliarden Parametern (8B) steigt der Audit-Erfolg gegenüber dem Basismodell von 0,157 auf 0,651. Von 108 auditgültigen Ausgaben bleiben jedoch 65 beim semantischen Vergleichsmaß Facet-F1 unter 0,5; nur 14 stimmen unter der Bewertungsregel vollständig mit der Referenz überein.

Quelle 5: Ishigaki-IDS-Bench: A Benchmark for Generating Information Delivery Specification from BIM Information Requirements, Fundstelle(n): Abschnitte Dataset construction, Evaluation metrics; Tabelle 1; Limitations Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): Tabelle 2; Abschnitte Training pipeline, Evaluation, Limitations; Human-in-the-loop practitioner study; Study limitations

Fachliche Einordnung

Sechs Praktiker benötigten in einer kleinen Übung einschließlich Korrektur zusammen 1.524 statt 3.365 Sekunden bis zum gleichen Prüfziel. Das ist ein begrenzter Assistenzbefund. Aufgabenreihenfolge und Editor-Erfahrung waren nicht vollständig ausgeglichen; unabhängige Replikation und Übertragung auf große reale Modellbestände bleiben offen.

cec: Bilder mit Projektkontext verbinden

Studien-/Praxisbefund

Telekom beschreibt im September 2026 einen eingesetzten Workflow bei cec Ingenieure nahe München. Die Automatisierungssoftware n8n verbindet eine mit Azure Custom Vision trainierte Bildklassifikation mit GPS-, Zeit- und Projektmetadaten. SharePoint und Power BI nehmen die strukturierten Informationen auf; zuvor mussten Fotos manuell zugeordnet werden.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow

Fachliche Einordnung

Die Klassifikation verbindet die Fotoerfassung mit dem bestehenden Dokumentations- und Auswertungssystem. Der Anbieterbericht veröffentlicht weder Bildzahl und Fehlerrate noch einen gesicherten Einsatzbeginn oder vollständigen Freigabeprozess. Schnellere Zuordnung wird berichtet, ein übertragbarer Nettozeitgewinn einschließlich Nachprüfung damit nicht gemessen.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow

Viscan: Erfassung, Auswertung und Fachprüfung

Studien-/Praxisbefund

Ein Anwenderbericht von Bentley über Viscan beschreibt neun Bauwerke an der B29 in Baden-Württemberg. Scan- und Drohnendaten werden mit den Softwarewerkzeugen iTwin Capture und Orbit 3DM zusammengeführt und durch eigene KI-Verfahren für Objekte und Veränderungen ausgewertet. Fachleute vergleichen Pläne, prüfen und ergänzen die Ergebnisse.

Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29

Fachliche Einordnung

Die Datenkette verbindet räumliche Erfassung, automatische Objekt- und Veränderungserkennung und fachliche Kontrolle. Planvergleiche helfen, Ergebnisse zum jeweiligen Bauwerk einzuordnen; Fachleute prüfen und ergänzen sie. So bleibt die Auswertung an den konkreten Bestand gebunden.

Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29

CONXAI: Modellbetrieb ist eine eigene Aufgabe

Studien-/Praxisbefund

Der Betreiber CONXAI und der Cloudanbieter AWS dokumentieren, wie KI-Modelle auf eingehende Baustellenbilder angewendet werden: Speicherereignisse lösen die Verarbeitung über eine Warteschlange und bereitgestellte Modellkomponenten aus. EKS, KServe und Triton übernehmen Betriebsaufgaben; ein OneFormer-Modell grenzt Personen im Bild ab. Ressourcensteuerung und Kaltstarts werden als praktische Fragen behandelt.

Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Model deployment; Scaling and cold start

Fachliche Einordnung

Warteschlange und Modellbereitstellung organisieren die Verarbeitung zwischen Dateieingang und Ergebnis. Ressourcensteuerung und Kaltstarts betreffen dabei den Betrieb der Modellkomponenten. Die Startzeit einer Modellinstanz ist von der Verarbeitungslatenz eines einzelnen Bildes zu unterscheiden. Unabhängige Verfügbarkeitsmessungen und die Zahl aktiver Baustellen bleiben offen.

Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Model deployment; Scaling and cold start

iECO und Construct-X: Integration und Demonstration

Studien-/Praxisbefund

Fraunhofer IVI berichtet 2025 den Abschluss des Forschungsprojekts iECO mit elf Partnern sowie verbundenen Material- und Instandhaltungsfunktionen, darunter LSTM-basierte Prognosen. Das Projekt Construct-X formuliert im Oktober 2025 Ziele für Daten- und Sensorintegration. Ein späterer 8ra-Rückblick nennt einen Produktpassdemonstrator auf der Hannover Messe im April 2026.

Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): Projektabschluss; SIMAP und COPRA Quelle 11: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Projektziele und Beiträge Fraunhofer IFF Quelle 12: 8ra at Hannover Messe 2026: Scaling the Multi-Provider Cloud-Edge Continuum, Fundstelle(n): Construct-X demonstration auf Hannover Messe 2026

Fachliche Einordnung

iECO verknüpft Materialinformationen und Instandhaltungsfunktionen mit einer gemeinsamen Datenbasis. Construct-X bearbeitet den Austausch von Bau- und Sensordaten; der Produktpassdemonstrator macht einen solchen Austausch an Produktinformationen anschaulich. Die beschriebenen Stände sind ein Forschungsabschluss beziehungsweise eine Demonstration. Wie die Funktionen anschließend im Regelbetrieb fortgeführt werden, bleibt offen.

Anforderungen und Begriffe maschinenlesbar machen

Studien-/Praxisbefund

Die buildingSMART-Dokumentation beschreibt IDS für alphanumerische Informationsanforderungen an IFC-Modelle. bSDD-Referenzen verknüpfen Klassifikationen und Eigenschaften über versionierte Kennungen mit IDS und IFC. Damit lassen sich erwartete Angaben und verwendete Begriffe ausdrücken.

Quelle 13: Information Delivery Specification (IDS), Fundstelle(n): What is IDS?; FAQ und scope Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): Referencing bSDD in IDS and IFC; Mappingtabellen

Fachliche Einordnung

Diese Grundlagen erleichtern überprüfbare Informationslieferungen. Sie ersetzen keine geometrische Prüfung und entscheiden nicht allein, ob zwei Begriffe fachlich gleichwertig sind. Der Austausch muss außerdem mit den tatsächlich eingesetzten Systemen geprüft werden.

Gebäudeübergreifende Prognose und Datenschutz unterscheiden

Studien-/Praxisbefund

Das PPTL-Autorenrepository beschreibt Transferprognosen für 89 Cambridge-Gebäude mit Ähnlichkeitsauswahl durch TS2Vec und TiDE. Die Prüfung hält jeweils ein Zielgebäude getrennt; historische Daten von 2009 dienen als Quelle, Anfang 2010 zur Anpassung und die folgenden zwei Monate zum Test. Identifikatoren werden vor zentraler Zusammenführung entfernt.

Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): README: Data, Experimental protocol, Framework

Fachliche Einordnung

Die Versuchsanordnung untersucht, wie sich Prognosemodelle mit historischen Quelldaten auf ein anderes Gebäude anpassen lassen. Zentrale Datenzusammenführung ist jedoch kein föderiertes Lernen, und entfernte Kennungen beweisen keine formale Privatsphäre oder sichere Übertragung auf neue Portfolios.

Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): README: Data, Experimental protocol, Framework

CDE und Gebäudetechnik: Nutzung mit verbleibender Integrationsarbeit

Studien-/Praxisbefund

Lindholms schwedische Mehrfirmenstudie dokumentiert genutzte CDE-Funktionen für Zeichnungen, Modelle und Prüfungen. Eine Metro-Fallstudie beobachtet trotz mehrerer eingebundener Plattformen manuelle Übergaben und Metadatenprobleme. Eine weitere qualitative Untersuchung mit 17 Interviews beschreibt proprietäre Schnittstellen und unterschiedliche Klassifikationen zwischen IT und Gebäudetechnik.

Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Methodik S.7–11; Ergebnisse/Diskussion S.12–14 Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): Abschnitte 3.3, Druckseiten 22–24; 4.2, Druckseiten 31–34 Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Research methods; Findings zu infrastructural/organizational interfaces

Fachliche Einordnung

Gemeinsame Plattformen lassen Übergabearbeit bestehen, wenn Metadaten fehlen, Klassifikationen voneinander abweichen oder Schnittstellen proprietär sind. Neue Integrationen brauchen deshalb eine fachliche Bedeutungsprüfung sowie geklärte Zuständigkeiten für Übergabe und laufende Pflege. Die dokumentierten manuellen Schritte zeigen, wo diese Aufgaben im Arbeitsablauf anfallen.

Datenräume brauchen technische und organisatorische Regeln

Studien-/Praxisbefund

Die europäische Datenraumübersicht und die Referenzarchitektur des Data Spaces Support Centre (DSSC) beschreiben Austausch, Identität und Governance. Die offiziellen Data-Act-Erläuterungen behandeln Datenzugang und Dienstewechsel unter Schutzbedingungen. Der Branchenverband FIEC formuliert eine Branchenposition zu verantwortlicher KI-Nutzung; das Original ist auf den 22. Oktober 2025 datiert.

Quelle 2: Common European data spaces, Fundstelle(n): Overview, sectors und governance Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Identity and Trust; Access and Usage Policies Quelle 1: Data Act, Fundstelle(n): Connected products; cloud switching Quelle 20: Data Act explained, Fundstelle(n): Kapitel II/III und VI Quelle 3: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Titelseite S.1 und Verantwortung/Daten

Fachliche Einordnung

Für jede Datenlieferung sind Zweck, Empfänger, Herkunft und zulässige Weiterverwendung zu klären, einschließlich einer vorgesehenen Nutzung zum Training. Diese Festlegungen bestimmen, welche Verarbeitung und Weitergabe zugelassen werden kann. Wird ein künftiger Zugriff entzogen, bleibt zusätzlich zu beachten, dass bereits erfolgte Verarbeitung dadurch nicht rückgängig wird.

Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Identity and Trust; Access and Usage Policies; Provenance Quelle 20: Data Act explained, Fundstelle(n): Kapitel II/III und VI

Warum AI-Ready Construction: CDE, Datenplattformen und Datenräume relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

Die Spanne von erster Marktanwendung bis etablierter Anwendung gilt für den bestehenden Infrastruktur- und Organisationszuschnitt. Benannte KI-Integrationen tragen erste Marktanwendung; regelmäßig genutzte, begrenzte CDE-Informationsfunktionen tragen die etablierte obere Grenze. Forschungs-Mapping, föderierte KI-Datenräume und durchgängige semantische Integration erreichen damit nicht automatisch denselben Stand.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): cec workflow Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): B29-Anwendung Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): 4.2

Evidenzbelastbare Praxis- oder Forschungsbelege

Kontrollierte Mappingversuche und empirische CDE-Implementierungsstudien liefern belastbare Befunde für begrenzte Funktionen und Integrationsprobleme. Die CDE- und IT/OT-Arbeiten haben getrennte qualitative Stichproben; ihre Feldzeiträume stimmen nicht mit den Publikationsjahren überein. Preprints, Betreiberberichte und Positionen ergänzen diese Grundlage. Der Viscan-Bericht stammt aus einer Anbieter-/Anwenderkette und enthält keinen kontrollierten Nutzenvergleich. Die Zahl erstellter Reality-Modelle beschreibt daher keine entsprechend große Stichprobe unabhängig validierter KI-Prozesse; übertragbare Prozentvorteile sind daraus nicht bestimmbar. Die PPTL-Angaben beruhen auf dem Autoren-README und bleiben auf dessen Methodenbeschreibung begrenzt. Unabhängige Prüfungen einer organisationsübergreifenden Vollintegration und ihrer Wirtschaftlichkeit fehlen.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Experimente und Fehleranalyse; Methodik/Ergebnisse Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): Benchmark und practitioner study Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Scaling und Architektur Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Evaluation; Methodik/Ergebnisse · Methodik S.7–11; Ergebnisse/Diskussion S.12–14 Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): 3.3/4.2 · Abschnitte 3.3, Druckseiten 22–24; 4.2, Druckseiten 31–34 Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): README: Data, Experimental protocol, Framework Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29 Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Research methods; Findings zu infrastructural/organizational interfaces

EntwicklungsdynamikAktive Weiterentwicklung

Semantische Zuordnung, prüfgestütztes Lernen und Datenintegration werden in mehreren konkreten Arbeitslinien weiterentwickelt.

Arbeiten zur semantischen Zuordnung, zur IDS-Erstellung und zur gebäudeübergreifenden Prognose entwickeln die Nutzung vorhandener Daten weiter. iECO und Construct-X bearbeiten deren Integration in gemeinsame Abläufe. Die zwei Ishigaki-Preprints gehören zu einer Forschungsfamilie. Die datierten Arbeiten zeigen aktive Entwicklung; wie schnell sich das gesamte Feld weiterentwickelt, lässt sich aus den einzelnen Testverbesserungen nicht bestimmen.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): 2025: Mappingvergleich Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): 2026: Lernpipeline/Ablation Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): 2026: README/Protokoll Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): 2025 Abschluss Quelle 11: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): 2025 Ziele

MarktdynamikBegrenzte Marktbewegung

Punktuelle Einführung und fortgesetzte Nutzung sind belegt; eine belastbar datierte Ausweitung bleibt offen.

cec, Viscan und BAM zeigen punktuelle Anwendung mit unterschiedlichen Funktionen. Wann diese Nutzungen begonnen haben oder ausgeweitet wurden, ist nicht hinreichend datiert; die Berichts- und Aktualisierungsdaten beschreiben vor allem den Zeitpunkt der Darstellung. Bei iECO ist der Forschungsabschluss dokumentiert, der anschließende Regelbetrieb bleibt offen. Damit ist konkrete Nutzung sichtbar, ihre zeitliche Ausweitung jedoch noch nicht belastbar bestimmbar.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): 08.09.2026: cec-Fall Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): 19.02.2026: B29-Fall Quelle 19: Getting Started with Predictive Analytics in Construction, Fundstelle(n): BAM-Abschnitt Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): Abschlussmeldung